该研究提出了一种通过比较不同视角之间的话语语义空间来检测语义变化的方法，发现语义变化不仅发生在时间上，同时也发生在不同视角之间，并且频繁出现的词汇不太可能发生语义改变，而多义词则更可能。

Nov, 2017

通过使用时间序列嵌入技术，我们研究了法国反犹太主义的历史，分析了1789年至1914年期间反犹太主义倾向的演变，并发现了80年代中期以来反犹太主义在宗教、经济、社会政治、种族、族裔和阴谋领域的增长趋势。

Jun, 2019

本文探讨了一种通过比较相关单词上下文来自动识别有偏见语言的方法，即使用在左翼和右翼新闻机构上的词嵌入模型训练，结果表明此方法是有效的。

Dec, 2021

通过对155年德国政治辩论中对妇女和移民的支持进行测量，我们提供了一个1205个文本片段的支持标准，并使用BERT模型推断大规模趋势。我们的研究结果表明，德国社会在政治精英的支持下，变得更加公正。

Oct, 2022

利用词向量建立方言图，提供新的度量词语差异的方法，探究两个美国政治子版的话语，并显示出政治家和政治实体情绪上的极端相反、对适当的政治行为评估的差异以及关于是否需要政治干预某些问题的分歧。

Feb, 2023

通过不同的策略进行政治要求分析的跨语言投射是一项重要工作，本文以德国数据集DebateNet2.0为基础，涵盖了2015年难民危机引发的政策辩论，通过两个任务（要求识别和分类）、三种语言（德语、英语和法语）以及两种方法（机器翻译——实验中的最佳方法和多语言嵌入）进行了实验和评估。

Oct, 2023

研究通过分析Reddit社群和新闻媒体等大规模真实语言使用数据，使用词嵌入模型发现了政治性语言中存在的情感分化模式以及与七个政治话题相关的词语的语义关联，揭示了跨党派界限的道德联想差异，这些结果强调了虽然在政治谱系上有着共享的道德理解，但仍然存在着塑造党派语言并潜在加剧政治极化的一致差异。

Oct, 2023

通过使用大规模语言模型（LLMs）来准确解读和预测政治偏见在社交媒体平台上充斥的政治性讨论，本研究创新性地采用了一个指导调整的LLM，以反映一系列政治意识形态。我们提出了一个综合的分析框架，包括党派偏见差异评估和党派倾向预测，以评估模型在立场、情绪和道德基础等方面与现实政治意识形态保持一致。研究发现模型在捕捉情绪和道德细微差别方面的有效性，但在立场检测方面存在一些挑战，突显了NLP工具在政治敏感环境中精细化和改进的复杂性和潜力。此研究通过展示LLMs中细致的政治理解的可行性和重要性，特别适用于需要敏锐意识到政治偏见的应用，为该领域做出了重要贡献。

Nov, 2023

我们提出通过分析LLMs生成内容中关于政治问题的内容和风格来衡量政治偏见。我们的提议旨在提供LLMs生成的政治偏见的细致和可解释的度量方法，以向用户提供透明度。我们的研究关注不同的政治问题，如生殖权和气候变化，并从内容和风格两个方面测量政治偏见，以展示我们的框架的可扩展性和可解释性。

Mar, 2024

我们从德国的角度评估了当前最流行的开源模型在欧洲联盟内涉及政治问题的偏见，发现较大的模型更倾向于与左翼政党相符，而较小的模型通常保持中立，这凸显了LLM的细微行为和语言对其政治立场的重要性。我们的发现强调了对LLMs进行严格评估和处理社会偏见的重要性，以保障应用现代机器学习方法的应用程序的完整性和公平性。

May, 2024